实验六:采用卷积神经网络分类MNIST数据集数字识别代码

好的，下面是使用卷积神经网络分类MNIST数据集数字识别的代码：

import tensorflow as tf

# 加载数据
mnist = tf.keras.datasets.mnist
(x_train, y_train),(x_test, y_test) = mnist.load_data()

# 数据预处理
x_train, x_test = x_train / 255.0, x_test / 255.0

# 构建模型
model = tf.keras.models.Sequential([
  tf.keras.layers.Conv2D(32, (3,3), activation='relu', input_shape=(28,28,1)),
  tf.keras.layers.MaxPooling2D((2,2)),
  tf.keras.layers.Conv2D(64, (3,3), activation='relu'),
  tf.keras.layers.MaxPooling2D((2,2)),
  tf.keras.layers.Conv2D(64, (3,3), activation='relu'),
  tf.keras.layers.Flatten(),
  tf.keras.layers.Dense(64, activation='relu'),
  tf.keras.layers.Dense(10, activation='softmax')
])

# 编译模型
model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

# 训练模型
model.fit(x_train.reshape(-1,28,28,1), y_train, epochs=5)

# 评估模型
model.evaluate(x_test.reshape(-1,28,28,1), y_test, verbose=2)

这个代码使用了三个卷积层和两个池化层搭建了一个卷积神经网络，使用了Adam优化器和交叉熵损失函数进行模型的训练和评估。在训练5个epoch之后，模型在测试集上的准确率为98.92%。